配電網(wǎng)可靠性預(yù)測(cè)實(shí)例分析目錄TOC\o"1-3"\h\u31065配電網(wǎng)可靠性預(yù)測(cè)實(shí)例分析 1249581.1可靠性主要影響因素的選取 133341.2預(yù)測(cè)模型參數(shù)的確定 272881.3可靠性預(yù)測(cè)結(jié)果與分析 41.1可靠性主要影響因素的選取根據(jù)第三章可知，預(yù)測(cè)模型的輸入由選取的配電網(wǎng)可靠性影響因素的數(shù)量決定，將不同熵權(quán)關(guān)聯(lián)度閾值下的影響因素作為模型的輸入，可得到影響因素中的主要影響因素。不同設(shè)定閾值下ISSA-LSSVM預(yù)測(cè)模型的測(cè)試集均方根誤差如表5-1和表5-2所示。表5-1某市城區(qū)配電網(wǎng)可靠性數(shù)據(jù)不同設(shè)定閾值下的預(yù)測(cè)模型均方根誤差Table5-1Rootmeansquareerrorofpredictionmodelunderdifferentsetthresholdsforreliabilitydataofurbandistributionnetworkinacity關(guān)聯(lián)度閾值0.30.40.50.60.7均方根誤差0.000460.000520.000640.000230.00124表5-2湖北省配電網(wǎng)可靠性數(shù)據(jù)不同設(shè)定閾值下的預(yù)測(cè)模型均方根誤差Table5-2RootmeansquareerrorofpredictionmodelunderdifferentsetthresholdsofdistributionnetworkreliabilitydatainHubeiProvince關(guān)聯(lián)度閾值0.10.20.30.40.5均方根誤差0.000580.000260.000520.004920.02539由表5-1可知，當(dāng)選擇熵權(quán)關(guān)聯(lián)度大于0.6的影響因素作為模型的輸入時(shí)，預(yù)測(cè)結(jié)果的均方根誤差為最小，因此剔除附表1中熵權(quán)關(guān)聯(lián)度低于0.6的影響因素，將其他5個(gè)影響因素作為某市城區(qū)配電網(wǎng)的主要影響因素。由表5-2可知，當(dāng)選擇熵權(quán)關(guān)聯(lián)度大于0.2的影響因素作為模型的輸入時(shí)，預(yù)測(cè)結(jié)果的均方根誤差為最小，因此剔除附表2中熵權(quán)關(guān)聯(lián)度低于0.2的影響因素，將其他26個(gè)影響因素作為湖北省配電網(wǎng)的主要影響因素。以下做對(duì)比實(shí)驗(yàn)時(shí)，對(duì)于某市城區(qū)配電網(wǎng)可靠性數(shù)據(jù)，選擇熵權(quán)關(guān)聯(lián)度大于0.6的主要影響因素作為預(yù)測(cè)模型的輸入，并將主要影響因素?cái)?shù)據(jù)和供電可靠率數(shù)據(jù)記為數(shù)據(jù)集一；對(duì)于湖北省配電網(wǎng)可靠性數(shù)據(jù)，選擇熵權(quán)關(guān)聯(lián)度大于0.2的主要影響因素作為預(yù)測(cè)模型的輸入，并將主要影響因素?cái)?shù)據(jù)和供電可靠率數(shù)據(jù)記為數(shù)據(jù)集二。1.2預(yù)測(cè)模型參數(shù)的確定為了驗(yàn)證ISSA-LSSVM模型的預(yù)測(cè)精度，選取了BP神經(jīng)網(wǎng)絡(luò)、LSSVM、GA-LSSVM、PSO-LSSVM和SSA-LSSVM模型，在數(shù)據(jù)集一和數(shù)據(jù)集二上比較各模型的精度，其中模型的輸入為供電可靠率的主要影響因素，模型的輸出為供電可靠率X0。BP神經(jīng)網(wǎng)絡(luò)模型的隱層神經(jīng)元為4，選擇Tansig函數(shù)和logsig函數(shù)作為隱藏層和輸出層的傳輸函數(shù)，學(xué)習(xí)速率為0.1，迭代次數(shù)為100。各優(yōu)化算法的參數(shù)設(shè)置與ISSA性能測(cè)試時(shí)相同，其中維度d=2，K=100，模型參數(shù)C和的搜索范圍在[0.01,1000]之間。對(duì)于傳統(tǒng)LSSVM模型的參數(shù)C和分別取值200和20。圖5-1為ISSA和SSA優(yōu)化LSSVM模型在數(shù)據(jù)集一上的適應(yīng)度曲線；圖5-2為ISSA和SSA優(yōu)化LSSVM模型在數(shù)據(jù)集二上的適應(yīng)度曲線。由圖5-1和圖5-2的收斂曲線可以看出，相比SSA-LSSVM模型，改進(jìn)后的ISSA-LSSVM模型的收斂速度更快，效果更好。各優(yōu)化算法優(yōu)化LSSVM得到的模型參數(shù)見(jiàn)表5-3。圖5-1數(shù)據(jù)集一上SSA-LSSVM和ISSA-LSSVM模型適應(yīng)度曲線Fig.5-1FitnesscurveofSSA-LSSVMandISSA-LSSVMmodelsondatasetone圖5-2數(shù)據(jù)集二上SSA-LSSVM和ISSA-LSSVM模型適應(yīng)度曲線Fig.5-2FitnesscurveofSSA-LSSVMandISSA-LSSVMmodelsondatasettwo表5-3LSSVM參數(shù)優(yōu)化結(jié)果Tab.5-3LSSVMparameteroptimizationresults優(yōu)化算法數(shù)據(jù)集一數(shù)據(jù)集二參數(shù)C參數(shù)參數(shù)C參數(shù)GA590.3619.36361.9421.28PSO600.2018.70341.1421.09SSA550.1519.49416.8422.30ISSA611.2122.36423.9022.361.3可靠性預(yù)測(cè)結(jié)果與分析對(duì)于某市城區(qū)配電網(wǎng)案例，本章將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、LSSVM預(yù)測(cè)模型、GA-LSSVM預(yù)測(cè)模型、PSO-LSSVM預(yù)測(cè)模型、SSA-LSSVM預(yù)測(cè)模型和ISSA-LSSVM預(yù)測(cè)模型在數(shù)據(jù)集一上的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果與實(shí)際值作了對(duì)比分析，具體結(jié)果見(jiàn)表5-4到5-9所示，將在數(shù)據(jù)集一中的測(cè)試樣本的預(yù)測(cè)結(jié)果以及真實(shí)值作柱狀圖如圖5-3所示，6種模型針對(duì)數(shù)據(jù)集一的測(cè)試樣本的3種誤差如表5-15所示。由表5-4可以看出，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)2016年和2017年供電可靠率的預(yù)測(cè)值分別為99.96934和99.96815，與真實(shí)值之間的絕對(duì)誤差分別為0.00396和0.01015。表5-4BP神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)集一上的預(yù)測(cè)結(jié)果Table5-4PredictionresultsofBPneuralnetworkmodelondatasetone年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差201099.945220.00512201499.966950.00265201199.945850.00255201599.967350.00185201299.956580.00148201699.969340.00396201399.962620.00222201799.968150.01015由表5-5可以看出，LSSVM模型對(duì)2016年和2017年供電可靠率的預(yù)測(cè)值分別為99.96993和99.97517，與真實(shí)值之間的絕對(duì)誤差分別為0.00337和0.00313。由于LSSVM預(yù)測(cè)模型的參數(shù)是未經(jīng)優(yōu)化的定值，存在一定的隨機(jī)性，因此LSSVM預(yù)測(cè)模型的預(yù)測(cè)值誤差較大，但相比BP神經(jīng)網(wǎng)絡(luò)模型，誤差有所減少。表5-5LSSVM模型在數(shù)據(jù)集一上的預(yù)測(cè)結(jié)果Table5-5PredictionresultsoftheLSSVMmodelondatasetone年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差201099.944420.00432201499.966280.00198201199.949100.00070201599.967410.00179201299.953690.00141201699.969930.00337201399.958590.00181201799.975170.00313由表5-6可以看出，GA-LSSVM模型對(duì)2016年和2017年供電可靠率的預(yù)測(cè)值分別為99.97298和99.97761，與真實(shí)值之間的絕對(duì)誤差分別為0.00032和0.00069。相比未經(jīng)優(yōu)化的LSSVM模型的預(yù)測(cè)結(jié)果，GA-LSSVM模型的預(yù)測(cè)誤差有所減少。表5-6GA-LSSVM模型在數(shù)據(jù)集一上的預(yù)測(cè)結(jié)果Table5-6PredictionresultsoftheGA-LSSVMmodelondatasetone年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差201099.942800.00270201499.965200.00090201199.948960.00056201599.967600.00160201299.953710.00139201699.972980.00032201399.959200.00120201799.977610.00069由表5-7可以看出，PSO-LSSVM模型對(duì)2016年和2017年供電可靠率的預(yù)測(cè)值分別為99.97357和99.97939，與真實(shí)值之間的絕對(duì)誤差分別為0.00027和0.00109。相比未經(jīng)優(yōu)化的LSSVM模型誤差也是進(jìn)一步減少。表5-7PSO-LSSVM模型在數(shù)據(jù)集一上的預(yù)測(cè)結(jié)果Table5-7PredictionresultsofthePSO-LSSVMmodelondatasetone年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差201099.942630.00253201499.965940.00164201199.948070.00033201599.967650.00155201299.953720.00138201699.973570.00027201399.959070.00133201799.979390.00109由表5-8可以看出，SSA-LSSVM模型對(duì)2016年和2017年供電可靠率的預(yù)測(cè)值分別為99.97308和99.97760，與真實(shí)值之間的絕對(duì)誤差分別為0.00022和0.00070。相比以上的BP神經(jīng)網(wǎng)絡(luò)模型、LSSVM模型、GA-LSSVM和PSO-LSSVM模型，預(yù)測(cè)誤差均為最小，可見(jiàn)SSA-LSSVM模型的預(yù)測(cè)性能明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)、LSSVM、GA-LSSVM和PSO-LSSVM模型。表5-8SSA-LSSVM模型在數(shù)據(jù)集一上的預(yù)測(cè)結(jié)果Table5-8PredictionresultsoftheSSA-LSSVMmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差201099.941990.00189201499.963380.00092201199.948100.00030201599.967790.00141201299.954140.00096201699.973080.00022201399.961690.00129201799.977600.00070由表5-9可以看出，ISSA-LSSVM模型對(duì)2016年和2017年供電可靠率的預(yù)測(cè)值分別為99.97311和99.97807，與真實(shí)值之間的絕對(duì)誤差分別為0.00019和0.00023。相比BP神經(jīng)網(wǎng)絡(luò)模型、LSSVM模型、GA-LSSVM模型、PSO-LSSVM模型和SSA-LSSVM模型，ISSA-LSSVM模型的預(yù)測(cè)值最接近于真實(shí)值，可見(jiàn)ISSA-LSSVM模型在配電網(wǎng)可靠性預(yù)測(cè)中取得了相當(dāng)不錯(cuò)的成果。表5-9ISSA-LSSVM模型在數(shù)據(jù)集一上的預(yù)測(cè)結(jié)果Table5-9PredictionresultsoftheISSA-LSSVMmodelondatasetone年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差201099.939470.00063201499.964950.00065201199.948320.00008201599.968280.00092201299.954580.00052201699.973110.00019201399.959390.00101201799.978070.00023圖5-3各模型在數(shù)據(jù)集一上的測(cè)試數(shù)據(jù)預(yù)測(cè)結(jié)果柱狀圖Fig.5-3Histogramofthetestdatapredictionresultsofeachmodelondatasetone對(duì)于湖北省配電網(wǎng)案例，本章同樣也將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、LSSVM預(yù)測(cè)模型、GA-LSSVM預(yù)測(cè)模型、PSO-LSSVM預(yù)測(cè)模型、SSA-LSSVM預(yù)測(cè)模型和ISSA-LSSVM預(yù)測(cè)模型在數(shù)據(jù)集二上的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果與實(shí)際值作了對(duì)比分析，具體結(jié)果見(jiàn)表5-10到5-15所示，將在數(shù)據(jù)集二中的測(cè)試樣本的預(yù)測(cè)結(jié)果以及真實(shí)值作柱狀圖如圖5-4所示，6種模型針對(duì)數(shù)據(jù)集二的測(cè)試樣本的3種誤差如表5-16所示。由表5-10到5-15的測(cè)試數(shù)據(jù)的預(yù)測(cè)結(jié)果可知，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果99.95065和99.92718，與真實(shí)值之間的絕對(duì)誤差為0.00435和0.01082。LSSVM模型的預(yù)測(cè)結(jié)果分別為99.95621和99.94032，與真實(shí)值之間的絕對(duì)誤差分別為0.00556和0.00232。GA-LSSVM模型的預(yù)測(cè)結(jié)果分別為99.95526和99.93677，與真實(shí)值之間的絕對(duì)誤差分別為0.00026和0.00123。PSO-LSSVM模型的預(yù)測(cè)結(jié)果分別為99.95576和99.93759，與真實(shí)值之間的絕對(duì)誤差分別為0.00076和0.00041。SSA-LSSVM模型的預(yù)測(cè)結(jié)果分別為99.95475和99.93844，與真實(shí)值之間的絕對(duì)誤差分別為0.00025和0.00044。ISSA-LSSVM模型的預(yù)測(cè)結(jié)果分別為99.95523和99.93773，與真實(shí)值之間的絕對(duì)誤差分別為0.00023和0.00027。由以上各模型測(cè)試數(shù)據(jù)的誤差可知，所提ISSA-LSSVM模型的預(yù)測(cè)值最接近于真實(shí)值，說(shuō)明ISSA-LSSVM模型在數(shù)據(jù)集二中也取得了相當(dāng)不錯(cuò)的成果。表5-10BP神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)集二上的預(yù)測(cè)結(jié)果Table5-10PredictionresultsofBPneuralnetworkmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差200699.829420.00642201199.923140.00386200799.933830.00817201299.928750.00925200899.873440.01044201399.941980.00502200999.844050.01295201499.950650.00435201099.909040.00896201599.927180.01082表5-11LSSVM模型在數(shù)據(jù)集二上的預(yù)測(cè)結(jié)果Table5-11PredictionresultsoftheLSSVMmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差200699.826970.00397201199.929540.00254200799.847130.00513201299.933300.00470200899.869340.00634201399.950930.00393200999.888560.00844201499.956210.00556201099.912670.00533201599.940320.00232表5-12GA-LSSVM模型在數(shù)據(jù)集二上的預(yù)測(cè)結(jié)果Table5-12PredictionresultsoftheGA-LSSVMmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差200699.821820.00118201199.928580.00158200799.844950.00295201299.936510.00149200899.864220.00122201399.948780.00178200999.894870.00213201499.955260.00026201099.914850.00315201599.936770.00123表5-13PSO-LSSVM模型在數(shù)據(jù)集二上的預(yù)測(cè)結(jié)果Table5-13PredictionresultsofthePSO-LSSVMmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差200699.823860.00086201199.928560.00156200799.843120.00112201299.937080.00092200899.864300.00130201399.949830.00283200999.894680.00232201499.955760.00076201099.916750.00125201599.937590.00041表5-14SSA-LSSVM模型在數(shù)據(jù)集二上的預(yù)測(cè)結(jié)果Table5-14PredictionresultsoftheSSA-LSSVMmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差200699.823770.00077201199.928570.00157200799.842550.00055201299.937140.00088200899.864250.00125201399.948230.00123200999.895780.00122201499.954750.00025201099.917020.00098201599.938440.00044表5-15ISSA-LSSVM模型在數(shù)據(jù)集二上的預(yù)測(cè)結(jié)果Table5-15PredictionresultsoftheISSA-LSSVMmodelondatasettwo年份預(yù)測(cè)值絕對(duì)誤差年份預(yù)測(cè)值絕對(duì)誤差200699.823280.00028201199.928580.00158200799.842300.00030201299.937410.00059200899.863650.00065201399.947440.00044200999.895790.00121201499.955230.00023201099.917140.00086201599.937730.00027圖5-4各模型在數(shù)據(jù)集二上的測(cè)試數(shù)據(jù)預(yù)測(cè)結(jié)果柱狀圖Fig.5-4Histogramofthetestdatapredictionresultsofeachmodelondatasettwo表5-16測(cè)試數(shù)據(jù)的誤差對(duì)比Tab.5-16E